CN116363527A - 一种基于交互特征感知的遥感图像变化检测方法 - Google Patents

一种基于交互特征感知的遥感图像变化检测方法 Download PDF

Info

Publication number
CN116363527A
CN116363527A CN202310381671.6A CN202310381671A CN116363527A CN 116363527 A CN116363527 A CN 116363527A CN 202310381671 A CN202310381671 A CN 202310381671A CN 116363527 A CN116363527 A CN 116363527A
Authority
CN
China
Prior art keywords
remote sensing
feature
change detection
change
detection model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310381671.6A
Other languages
English (en)
Inventor
张奇
路遥
王飞
沈黎
张筱晗
张雪涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202310381671.6A priority Critical patent/CN116363527A/zh
Publication of CN116363527A publication Critical patent/CN116363527A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于交互特征感知的遥感图像变化检测方法，包含以下步骤：1、选取经过配准的公开遥感变化检测数据集，对数据集进行预处理；2、搭建基于编码器‑解码器的遥感变化检测模型，在编码器使用变化特征交互层，在解码器使用对称式变化特征融合层，模型最终输出变化检测二值化预测结果；3、构建并计算损失函数，并进行反向传播；4、将训练集和验证集输入至搭建的遥感变化检测网络中进行训练,得到训练好的遥感变化检测模型；5、利用训练好的遥感变化检测模型得到测试集中每个样本的预测结果，通过比对预测结果和标签，计算指标。本发明可以实现通过一对配准的遥感图像，预测出在这一对图像中发生变化的像素。

Description

一种基于交互特征感知的遥感图像变化检测方法
技术领域
本发明属于计算机视觉的应用领域，具体涉及一种基于交互特征感知的遥感图像变化检测方法。
背景技术
近年来随着我国遥感技术的飞速发展，遥感卫星的成像能力不断提高，遥感影像的质量在飞速上升，目前光学遥感影像分辨率已经可以达到0.3GSD(地面采样间隔：表示每个像素代表的地面距离)。更高的分辨率意味着地物目标将更加清晰，从而使得遥感影像中所包含更丰富的纹理，更精细的地物尺寸，更清晰的空间分布边界。因此，借助遥感影像可以更加清晰准确的辨别地表上的物体。目前通过遥感图像对地面物体进行识别分析已得到广泛应用，其中变化检测是一个重要课题。
遥感图像变化检测是通过分析同一地域中不同时间点的影像，得到在这一时间范围内的感兴趣地物的变化。其可应用于多种场景，例如，我国目前有保障耕地红线的举措，传统的耕地监管方式为地面走访调查，但我国幅员辽阔，走访调查势必效率低下，而借助卫星图像变化检测技术可以更加快速地了解到土地的利用变更情况，防止私自占用耕地的情况发生。除此之外，变化检测的主体对象还可以是建筑物、湖泊河流、道路网等。因此遥感变化检测技术有重要意义。
目前针对于遥感图像中的目标检测问题有非常活跃的研究，主要分为传统的检测方法和基于深度学习的检测方法，传统方法可以分为基于图像代数的方法、基于变换的方法和基于分类的方法，其应用范围相对有限，且受大气条件、季节变化、卫星传感器、太阳高程等影响，检测的精度相对不高。基于深度学习的方法主要分为基于卷积神经网络的方法、基于视觉Transformer的方法，此类方法可以从原始数据中自动提取复杂的、层次结构的、非线性的特征，克服了传统变化检测方法的一些局限性。
主流的遥感图像变化检测模型的主要步骤包括三个：①使用编码器对双时相影像进行特征提取；②对编码器输出的多尺度特征进行特征融合，其中涉及变化特征的提取；③对融合之后的特征进行二分类，并计算损失。但是现有的变化特征融合并没有考虑到变化特征的对称性问题，且仅在解码器部分进行变化特征的提取，另外在变化检测任务中通常存在样本不均衡、边缘检测效果差的问题。所以目前需要一种精度更高鲁棒性更强的变化检测算法。
发明内容
本发明的目的在于针对现有的遥感变化检测方法中存在的非对称性变化特征融合、变化特征提取滞后、变化与非变化样本极度不均衡及变化边缘检测效果差等问题，提出一种基于交互特征感知的遥感图像变化检测方法，在特征提取阶段提前关注变化特征，采用具有前后对称性的特征求和及特征作差模块作为基本的变化交互特征，采用基于交叉熵损失的难例样本挖掘和边缘损失相结合的损失函数解决了正负样本不均衡的问题，通过这些优化措施，提高了遥感变化检测的精确度和召回率。
为了达到上述目的，本发明采用如下技术方案：
一种基于交互特征感知的遥感图像变化检测方法，包括如下步骤：
步骤A：选取经过配准的公开遥感变化检测数据集，对数据集进行预处理，对每张图像按照窗口大小512和步长512进行切片操作，并划分出训练集、验证集和测试集；
步骤B：搭建基于孪生网络的遥感变化检测模型，其采用编码器-解码器结构；在编码器的阶段三和阶段四使用变化特征交互层，在解码器的输入部分使用对称式变化特征融合层，在解码头使用sigmoid激活函数进行二分类；遥感变化检测模型输入为时相一和时相二的遥感图像，输出为与输入图像相同尺寸的二值化预测结果；
步骤C：构建损失函数，根据遥感变化检测模型输出结果和真值标签计算损失，根据梯度下降算法进行反向传播；
步骤D：将训练集和验证集输入至构建的遥感变化检测模型中进行训练和效果验证,得到训练好的遥感变化检测模型；
步骤E：利用训练好的遥感变化检测模型对测试集进行测试,得到测试集中每个样本的二值化预测结果，通过比对预测结果和真值标签，定量计算精确率、召回率和交并比。
所述步骤A中，根据8:1:1的比例划分出训练集、验证集和测试集。
所述步骤B的具体步骤如下：
步骤B01：搭建编码器，采用ConvNext模型作为编码器，并使用共享权值的孪生网络提取双时相图像特征，编码器共有四个阶段，分别为阶段一、阶段二、阶段三、阶段四，各个阶段串行连接，编码器输入为时相一的遥感图像和时相二的遥感图像，输出为多尺度特征；
步骤B02：搭建对称式变化特征融合层，首先使用并行分支分别对输入的双时相图像特征F1、F2求和得到X1以及求差得到X2，并对X2使用绝对值以保持对称性；接着分别对上述并行分支的结果X1、X2在特征通道层面进行特征选择分别得到X3、X4，将X3、X4在通道维度拼接起来得到X5；最后在空间维度对特征X5进行增强，得到变化特征F3；
步骤B03：搭建变化特征交互层，首先借助步骤B02中搭建的对称式变化特征融合层根据双时相输入特征F1、F2提取变化特征F3；然后使用十字型多头自注意力机制对变化特征F3进行进一步的长距离关系建模，得到新的变化特征F4；最后将新的变化特征F4分别拼接到双时相输入特征F1、F2上，并通过一组卷积、归一化、激活进行交互特征感知，得到输出的双时相特征F5、F6；
步骤B04：搭建解码器，采用特征金字塔网络作为解码器。解码器的输入为编码器输出的多尺度特征，多尺度特征分别为输入图像的四倍下采样特征D4、八倍下采样特征D8、十六倍下采样特征D16和三十二倍下采样特征D32，首先将三十二倍下采样的特征图D32上采样，并与原来的十六倍下采样特征D16在通道维度拼接得到特征D16_2；然后将特征D16_2上采样，与原来的八倍下采样特征D8在通道维度拼接得到特征D8_2；接着将特征D8_2上采样，与原来的四倍下采样特征D4在通道维度拼接得到特征D4_2；最终输出经过多尺度融合之后的四倍下采样特征D4_2；
步骤B05：搭建解码头，采用一层卷积和一个sigmoid激活函数层对解码器输出的四倍下采样特征D4_2进行解码预测；
步骤B06：组合步骤B01、B02、B03、B04、B05所搭建的各个结构，在步骤B01构建的编码器的阶段三和阶段四使用步骤B03所搭建的变化特征交互层；之后使用步骤B02搭建的对称式变化特征融合层；接着使用步骤B04搭建的解码器；最后使用步骤B05搭建的解码头，解码头最终输出与输入遥感图像相同尺寸的二值化预测结果；
所述步骤C的具体步骤如下：
步骤C01：构建损失函数，构建二元交叉熵损失函数和骰子损失函数；
步骤C02：计算损失函数，首先根据遥感变化检测模型的输出结果及真值标签，逐空间像素点计算二元交叉熵损失函数得到交叉熵损失；然后对交叉熵损失进行排序，仅保留值在最大的前50％的交叉熵损失，并取平均；最后根据真值与输出结果的正样本分布计算骰子损失；
步骤C03：反向传播，对交叉熵损失和骰子损失求和，并通过梯度下降法反向求取遥感变化检测模型中的各个参数的梯度，并进行参数更新。
所述步骤D的具体步骤如下：
步骤D01：对训练集数据进行增强处理，包括随机图像翻转、随机图像旋转、随机尺度缩放、随机裁切和随机交换顺序；
步骤D02：将增强后的训练集数据输入遥感变化检测模型进行训练，得到预测结果，与真实标签计算损失函数，并通过梯度下降法进行遥感变化检测模型的参数更新，在训练过程中训练迭代次数为一万次迭代，优化器采用AdamW，初始学习率设置为0.0001，并且在前1000个迭代使用线性学习率预热策略，学习率衰减策略采用poly；
步骤D04：使用验证集进行遥感变化检测模型效果验证，每隔500个迭代，输入验证集数据进行指标计算，同时保留精度最高的遥感变化检测模型，最终得到训练好的遥感变化检测模型。
所述步骤E的具体步骤如下：
步骤E01：将测试集中的每一对影像输入步骤D中训练好的遥感变化检测模型，得到测试集中表示每对影像的变化检测二值化预测结果；
步骤E02：通过比对变化预测结果和变化真值标签，定量计算精确率、召回率和交并比，衡量训练好的遥感变化检测模型的性能。
与现有技术相比，本发明具有以下优点：
第一，本发明基于编码器-解码器结构通过神经网络自动进行特征学习，可在遥感图像对中预测变化区域；
第二，本发明在编码器的在阶段3和阶段4之后使用变化特征交互层，在编码阶段提前感知变化特征，充分利用编码器的参数，增强模型对于变化区域的特征提取能力；
第三，本发明构建了一个对称式变化特征融合层，利用双分支特征选择在不丢失特征信息的前提下，引入了变化特征先验信息，并基于余弦相似度显式地进行空间维度特征加权；
第四，本发明采用基于二元交叉熵的难例样本挖掘及边缘骰子损失函数，缓解了遥感变化检测任务中的样本不均衡问题。
附图说明
图1是遥感图像对及其变化标签图的示例。
图2是编码器-解码器结构示意图。
图3是本发明的模型整体结构示意图。
图4是对称式变化特征融合层的结构示意图。
图5是特征选择结构示意图。
图6是显式不相似度加权结构示意图。
图7是变化特征交互层的结构示意图。
图8是边缘损失函数的计算区域示意图。
图9是本发明在SYSU-CD数据集上的预测结果示意图。
图10是本发明在LEVIR-CD数据集上的预测结果示意图。
具体实施方式
下面结合附图详细介绍本发明各步骤中的具体细节。
本发明提出了一种基于交互特征感知的遥感图像变化检测方法。
该方法主要包括以下步骤：
步骤A：选取经过配准的公开遥感变化检测数据集，对数据集进行预处理，对每张图像按照窗口大小512和步长512进行切片操作，并根据8:1:1的比例划分出训练集、验证集和测试集，图1展示了4对遥感图像及其真值标签；
步骤B：搭建基于孪生网络的遥感变化检测模型，其采用编码器-解码器结构，编码器-解码器的结构如图2所示，编码器部分共享权重；在编码器的阶段三和阶段四使用变化特征交互层，在解码器的输入部分使用对称式变化特征融合层，在解码头使用sigmoid激活函数进行二分类；遥感变化检测模型输入为时相一和时相二的遥感图像，输出为与输入图像相同尺寸的二值化预测结果；
所述步骤B的具体步骤如下：
步骤B01：搭建编码器，采用ConvNext模型作为编码器，并使用共享权值的孪生网络提取双时相图像特征，编码器共有四个阶段，分别为阶段一、阶段二、阶段三、阶段四，各个阶段串行连接，编码器输入为时相一的遥感图像和时相二的遥感图像，输出为多尺度特征；
步骤B02：搭建对称式变化特征融合层，其具体结构如图4所示；首先使用并行分支分别对输入的双时相图像特征F1、F2求和得到X1以及求差得到X2，并对X2使用绝对值以保持对称性；接着分别对上述并行分支的结果X1、X2在特征通道层面进行特征选择分别得到X3、X4，特征选择的结构如图5所示，在空间维度池化，然后使用激活得到各个通道的权重，最后加权；将X3、X4在通道维度拼接起来得到X5；最后在空间维度对特征X5进行显式不相似度加权增强，得到变化特征F3，显式不相似度加权结构如图6所示，采用余弦距离作为相似度衡量，并采用残差连接保持梯度；
步骤B03：搭建变化特征交互层，其具体结构如图7所示；首先借助步骤B02中搭建的对称式变化特征融合层根据双时相输入特征F1、F2提取变化特征F3；然后使用十字型多头自注意力机制对变化特征F3进行进一步的长距离关系建模，得到新的变化特征F4；最后将新的变化特征F4分别拼接到双时相输入特征F1、F2上，并通过一组卷积、归一化、激活进行交互特征感知，得到输出的双时相特征F5、F6；
步骤B04：搭建解码器，采用特征金字塔网络作为解码器。解码器的输入为编码器输出的多尺度特征，多尺度特征分别为输入图像的四倍下采样特征D4、八倍下采样特征D8、十六倍下采样特征D16和三十二倍下采样特征D32，首先将三十二倍下采样的特征图D32上采样，并与原来的十六倍下采样特征D16在通道维度拼接得到特征D16_2；然后将特征D16_2上采样，与原来的八倍下采样特征D8在通道维度拼接得到特征D8_2；接着将特征D8_2上采样，与原来的四倍下采样特征D4在通道维度拼接得到特征D4_2；最终输出经过多尺度融合之后的四倍下采样特征D4_2；
步骤B05：搭建解码头，采用一层卷积和一个sigmoid激活函数层对解码器输出的四倍下采样特征D4_2进行解码预测；
步骤B06：组合步骤B01、B02、B03、B04、B05所搭建的各个结构，得到如图3所示的遥感变化检测模型：在步骤B01构建的编码器的阶段三和阶段四使用步骤B03所搭建的变化特征交互层；之后使用步骤B02搭建的对称式变化特征融合层；接着使用步骤B04搭建的解码器；最后使用步骤B05搭建的解码头，解码头最终输出与输入遥感图像相同尺寸的二值化预测结果；
步骤C：构建损失函数，根据遥感变化检测模型输出结果和真值标签计算损失，根据梯度下降算法进行反向传播；
所述步骤C的具体步骤如下：
步骤C01：构建损失函数，构建二元交叉熵损失函数和骰子损失函数；
步骤C02：计算损失函数，首先根据遥感变化检测模型的输出结果及真值标签，逐空间像素点计算二元交叉熵损失函数得到交叉熵损失；然后对交叉熵损失进行排序，仅保留值在最大的前50％的交叉熵损失，并取平均；最后根据真值与输出结果的正样本分布计算骰子损失，在骰子损失函数中，采用了边缘损失，边缘损失的计算区域如图8所示，首先根据连通域提取真值标签的边缘，然后对其进行向内和向外的膨胀操作，得到边缘损失的计算区域；
步骤C03：反向传播，对交叉熵损失和骰子损失求和，并通过梯度下降法反向求取遥感变化检测模型中的各个参数的梯度，并进行参数更新。
步骤D：将训练集和验证集输入至构建的遥感变化检测网络中进行训练,得到训练好的遥感变化检测模型，在训练过程中，采用多种图像增强，及学习率下降策略；
所述步骤D的具体步骤如下：
步骤D01：对训练集数据进行增强处理，包括随机图像翻转、随机图像旋转、随机尺度缩放、随机裁切和随机交换顺序；
步骤D02：将增强后的训练集数据输入遥感变化检测模型进行训练，得到预测结果，与真实标签计算损失函数，并通过梯度下降法进行遥感变化检测模型的参数更新，在训练过程中训练迭代次数为一万次迭代，优化器采用AdamW，初始学习率设置为0.0001，并且在前1000个迭代使用线性学习率预热策略，学习率衰减策略采用poly；
步骤D04：使用验证集进行遥感变化检测模型效果验证，每隔500个迭代，输入验证集数据进行指标计算，同时保留精度最高的遥感变化检测模型，最终得到训练好的遥感变化检测模型。
步骤E：利用训练得到的遥感变化检测模型对测试集进行测试,得到测试集中每个样本的二值化变化预测结果，通过比对变化预测结果和变化真值标签，定量计算精确率、召回率和交并比。
所述步骤E的具体步骤如下：
步骤E01：将测试集中的每一对影像输入步骤D中训练好的遥感变化检测模型，得到测试集中表示每对影像的变化检测二值化预测结果，图9和图10分别展示了在SYSU-CD数据集和LEVIR-CD数据集上的预测结果；
步骤E02：通过比对变化预测结果和变化真值标签，采用变化检测任务中常用的评价指标准确率P与召回率R，以及综合这两者的指标F1分数，其为P和R的调和平均值，F1的计算方式如下：
Figure SMS_1
另外也采用IOU作为评价指标，在变化检测中，仅有“变化”与“非变化”两个类别，在此仅计算“变化”类别的IOU，其计算如下：
Figure SMS_2

Claims (6)

1.一种基于交互特征感知的遥感图像变化检测方法，其特征在于：包括如下步骤：
步骤A：选取经过配准的公开遥感变化检测数据集，对数据集进行预处理，对每张图像按照窗口大小512和步长512进行切片操作，并划分出训练集、验证集和测试集；
步骤B：搭建基于孪生网络的遥感变化检测模型，其采用编码器-解码器结构；在编码器的阶段三和阶段四使用变化特征交互层，在解码器的输入部分使用对称式变化特征融合层，在解码头使用sigmoid激活函数进行二分类；遥感变化检测模型输入为时相一和时相二的遥感图像，输出为与输入图像相同尺寸的二值化预测结果；
步骤C：构建损失函数，根据遥感变化检测模型输出结果和真值标签计算损失，根据梯度下降算法进行反向传播；
步骤D：将训练集和验证集输入至构建的遥感变化检测模型中进行训练和效果验证,得到训练好的遥感变化检测模型；
步骤E：利用训练好的遥感变化检测模型对测试集进行测试,得到测试集中每个样本的二值化预测结果，通过比对预测结果和真值标签，定量计算精确率、召回率和交并比。
2.根据权利要求1所述的一种基于交互特征感知的遥感图像变化检测方法，其特征在于：所述步骤A中，根据8:1:1的比例划分出训练集、验证集和测试集。
3.根据权利要求1所述的一种基于交互特征感知的遥感图像变化检测方法，其特征在于：所述步骤B的具体步骤如下：
步骤B01：搭建编码器，采用ConvNext模型作为编码器，并使用共享权值的孪生网络提取双时相图像特征，编码器共有四个阶段，分别为阶段一、阶段二、阶段三、阶段四，各个阶段串行连接，编码器输入为时相一的遥感图像和时相二的遥感图像，输出为多尺度特征；
步骤B02：搭建对称式变化特征融合层，首先使用并行分支分别对输入的双时相图像特征F1、F2求和得到X1以及求差得到X2，并对X2使用绝对值以保持对称性；接着分别对上述并行分支的结果X1、X2在特征通道层面进行特征选择分别得到X3、X4，将X3、X4在通道维度拼接起来得到X5；最后在空间维度对特征X5进行增强，得到变化特征F3；
步骤B03：搭建变化特征交互层，首先借助步骤B02中搭建的对称式变化特征融合层根据双时相图像特征F1、F2提取变化特征F3；然后使用十字型多头自注意力机制对变化特征F3进行进一步的长距离关系建模，得到新的变化特征F4；最后将新的变化特征F4分别拼接到双时相输入特征F1、F2上，并通过一组卷积、归一化、激活进行交互特征感知，得到输出的双时相特征F5、F6；
步骤B04：搭建解码器，采用特征金字塔网络作为解码器。解码器的输入为编码器输出的多尺度特征，多尺度特征分别为输入图像的四倍下采样特征D4、八倍下采样特征D8、十六倍下采样特征D16和三十二倍下采样特征D32，首先将三十二倍下采样的特征图D32上采样，并与原来的十六倍下采样特征D16在通道维度拼接得到特征D16_2；然后将特征D16_2上采样，与原来的八倍下采样特征D8在通道维度拼接得到特征D8_2；接着将特征D8_2上采样，与原来的四倍下采样特征D4在通道维度拼接得到特征D4_2；最终输出经过多尺度融合之后的四倍下采样特征D4_2；
步骤B05：搭建解码头，采用一层卷积和一个sigmoid激活函数层对解码器输出的四倍下采样特征D4_2进行解码预测；
步骤B06：组合步骤B01、B02、B03、B04、B05所搭建的各个结构，在步骤B01构建的编码器的阶段三和阶段四使用步骤B03所搭建的变化特征交互层；之后使用步骤B02搭建的对称式变化特征融合层；接着使用步骤B04搭建的解码器；最后使用步骤B05搭建的解码头，解码头最终输出与输入遥感图像相同尺寸的二值化预测结果。
4.根据权利要求1所述的一种基于交互特征感知的遥感图像变化检测方法，其特征在于：所述步骤C的具体步骤如下：
步骤C01：构建损失函数，构建二元交叉熵损失函数和骰子损失函数；
步骤C02：计算损失函数，首先根据遥感变化检测模型的输出结果及真值标签，逐空间像素点计算二元交叉熵损失函数得到交叉熵损失；然后对交叉熵损失进行排序，仅保留值在最大的前50％的交叉熵损失，并取平均；最后根据真值与输出结果的正样本分布计算骰子损失；
步骤C03：反向传播，对交叉熵损失和骰子损失求和，并通过梯度下降法反向求取遥感变化检测模型中的各个参数的梯度，并进行参数更新。
5.根据权利要求1所述的一种基于交互特征感知的遥感图像变化检测方法，其特征在于：所述步骤D的具体步骤如下：
步骤D01：对训练集数据进行增强处理，包括随机图像翻转、随机图像旋转、随机尺度缩放、随机裁切和随机交换顺序；
步骤D02：将增强后的训练集数据输入遥感变化检测模型进行训练，得到预测结果，与真实标签计算损失函数，并通过梯度下降法进行遥感变化检测模型的参数更新，在训练过程中训练迭代次数为一万次迭代，优化器采用AdamW，初始学习率设置为0.0001，并且在前1000个迭代使用线性学习率预热策略，学习率衰减策略采用poly；
步骤D04：使用验证集进行遥感变化检测模型效果验证，每隔500个迭代，输入验证集数据进行指标计算，同时保留精度最高的遥感变化检测模型，最终得到训练好的遥感变化检测模型。
6.根据权利要求1所述的一种基于交互特征感知的遥感图像变化检测方法，其特征在于：所述步骤E的具体步骤如下：
步骤E01：将测试集中的每一对影像输入步骤D中训练好的遥感变化检测模型，得到测试集中表示每对影像的变化检测二值化预测结果；
步骤E02：通过比对变化预测结果和变化真值标签，定量计算精确率、召回率和交并比，衡量训练好的遥感变化检测模型的性能。
CN202310381671.6A 2023-04-11 2023-04-11 一种基于交互特征感知的遥感图像变化检测方法 Pending CN116363527A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310381671.6A CN116363527A (zh) 2023-04-11 2023-04-11 一种基于交互特征感知的遥感图像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310381671.6A CN116363527A (zh) 2023-04-11 2023-04-11 一种基于交互特征感知的遥感图像变化检测方法

Publications (1)

Publication Number Publication Date
CN116363527A true CN116363527A (zh) 2023-06-30

Family

ID=86907875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310381671.6A Pending CN116363527A (zh) 2023-04-11 2023-04-11 一种基于交互特征感知的遥感图像变化检测方法

Country Status (1)

Country Link
CN (1) CN116363527A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036984A (zh) * 2023-10-09 2023-11-10 武汉大学 一种融合注意力机制的级联u型网络云检测方法及系统
CN117173579A (zh) * 2023-11-02 2023-12-05 山东科技大学 一种基于固有特征与多级特征融合的图像变化检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036984A (zh) * 2023-10-09 2023-11-10 武汉大学 一种融合注意力机制的级联u型网络云检测方法及系统
CN117036984B (zh) * 2023-10-09 2024-01-09 武汉大学 一种融合注意力机制的级联u型网络云检测方法及系统
CN117173579A (zh) * 2023-11-02 2023-12-05 山东科技大学 一种基于固有特征与多级特征融合的图像变化检测方法
CN117173579B (zh) * 2023-11-02 2024-01-26 山东科技大学 一种基于固有特征与多级特征融合的图像变化检测方法

Similar Documents

Publication Publication Date Title
Li et al. Multiscale features supported DeepLabV3+ optimization scheme for accurate water semantic segmentation
CN116363527A (zh) 一种基于交互特征感知的遥感图像变化检测方法
CN111126202A (zh) 基于空洞特征金字塔网络的光学遥感图像目标检测方法
CN112232391B (zh) 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法
Delibasoglu et al. Improved U-Nets with inception blocks for building detection
CN111611861B (zh) 一种基于多尺度特征关联的图像变化检测方法
Han et al. Multi-level U-net network for image super-resolution reconstruction
CN115601661A (zh) 一种用于城市动态监测的建筑物变化检测方法
Zhang et al. Semantic segmentation of very high-resolution remote sensing image based on multiple band combinations and patchwise scene analysis
Jiang et al. Forest-CD: Forest change detection network based on VHR images
CN115223017B (zh) 一种基于深度可分离卷积的多尺度特征融合桥梁检测方法
CN114463340B (zh) 一种边缘信息引导的敏捷型遥感图像语义分割方法
CN113988147A (zh) 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置
CN112818920B (zh) 一种双时相高光谱图像空谱联合变化检测方法
Ma et al. CNN-TransNet: A Hybrid CNN-Transformer Network with Differential Feature Enhancement for Cloud Detection
Li et al. Residual dual U-shape networks with improved skip connections for cloud detection
Tang et al. PSNet: Change detection with prototype similarity
CN115456957B (zh) 一种全尺度特征聚合的遥感影像变化检测的方法
Zhang et al. Semantic Segmentation of Traffic Scene Based on DeepLabv3+ and Attention Mechanism
Ji et al. Domain Adaptive and Interactive Differential Attention Network for Remote Sensing Image Change Detection
Wang et al. Graph-based semisupervised learning with weighted features for hyperspectral remote sensing image classification
Li et al. Subpixel change detection based on improved abundance values for remote sensing images
Gan et al. Road damage detection and classification based on M2det
Chai et al. Defocus blur detection based on transformer and complementary residual learning
Li et al. Spectral-learning-based Transformer Network for the Spectral Super-resolution of Remote Sensing Degraded Images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination